(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210346681.1 (22)申请日 2022.04.02 (71)申请人 武汉理工大 学 地址 430070 湖北省武汉市洪山区珞狮路 205号 (72)发明人 向广利　施奕滨　袁景凌　张莎　 李承德　张凯　战炳全　罗凯凡　 张力文　 (74)专利代理 机构 北京金智普华知识产权代理 有限公司 1 1401 专利代理师 张晓博 (51)Int.Cl. G06K 9/62(2022.01) G06V 10/774(2022.01) G06V 10/764(2022.01)G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) H04L 9/32(2006.01) H04L 9/40(2022.01) (54)发明名称 一种商用密码算法识别方法、 系统、 介质、 设 备及终端 (57)摘要 本发明属于密码体制识别技术领域， 公开了 一种商用密码算法识别方法、 系统、 介质、 设备及 终端， 商用密码算法识别方法包括： 对密文串进 行量化和映射， 形成密文映射矩阵； 将密文映射 矩阵进行卷积和池化操作得到最终的64维、 75维 以及192维密文特征； 构建随机森林RF； 构建 LeNet5神经网络； 对密文矩阵进行正则化处理 后， 将数据集划分为训练集和测试集， 送入 LeNet5‑RF模型进行训练。 本发明创新性地将 LeNet5神经网络模型和随机森 林模型结合； 使用 卷积神经网络在细粒度层次提取密文特征， 得到 密文embedding嵌入， 相较传统随机性检测和密 文熵特征分类准确率 提升15％左右。 权利要求书2页 说明书10页 附图4页 CN 114722932 A 2022.07.08 CN 114722932 A 1.一种基于LeNet5 ‑RF的商用密码算法识别方法， 其特征在于， 所述基于LeNet5 ‑RF的 商用密码算法识别方法包括： 在银行电子账户系统的安全数据检测中利用LeNet5神经网络 模型与随机森林模型对商用密码算法进行训练， 并搭建密文分类平台， 增强各类采用数字 签名系统数据的安全性。 2.权利要求1所述的基于LeNet5 ‑RF的商用密码算法识别方法， 其特征在于， 所述基于 LeNet5‑RF的商用密码算法识别方法包括以下步骤： 步骤一， 密文预处理： 将用户提交的待 识别密文转 化为01串后， 对密文 串进行量化和映射， 形成密文映射矩阵； 步骤二， CnPo特征提取： 将预处理得到的密文映射矩阵进行卷积和池化操作得到最终 的64维CnPo_64、 75维CnPo_75以及19 2维CnPo_19 2密文特征； 步骤三， 构建随机森林RF； 步骤四， 构建LeNet5神经网络； 步骤五， 数据处理： 对密文矩阵进行正则化处理后， 按照8： 2的比例将数据集划分为训 练集和测试集， 送入LeNet5 ‑RF模型进行训练。 3.如权利要求2所述的基于LeNet5 ‑RF的商用密码算法识别方法， 其特征在于， 步骤一 中， 所述待识别密文 文件的商用密码算法体制包括SM2、 SM 3、 SM4中的至少一种； 所述密文预处 理， 包括： (1)采用简单线性变换， 按照8bit、 16bit或32bit将原 始密文分块； (2)采用累加求和对划分的密文块进行量 化， 得到1024维的转 化后的密文数据； (3)将密文数据按顺序分割得到大小为32 ×32密文映射矩阵； 步骤二中， 所述CnPo特 征提取， 包括： (1)对于每一个密文文件， 将预处理得到的32 ×32的密文矩阵进行一次卷积， 其中输入 通道为1， 输出通道为3； (2)通过两次池化下采样， 得到 3个8×8的矩阵； (3)将矩阵展平， 得到19 2维特征向量。 4.如权利要求2所述的基于LeNet5 ‑RF的商用密码算法识别方法， 其特征在于， 步骤三 中， 所述构建随机森林RF， 包括： (1)用训练集对 模型进行训练， 用测试集测试模型 预测的准确率； (2)对模型的参数进行优化， 选择能够使准确率较高， 时间性能较好的参数， 根据不同 的加密算法选择适 合的特征维度； (3)将训练好的模型保存， 供之后使用。 5.如权利要求2所述的基于LeNet5 ‑RF的商用密码算法识别方法， 其特征在于， 步骤四 中， 所述构建LeNet5神经网络， 包括： (1)输入32 ×32×1的灰度图像， 经过6 ×5×5的滤波器第一次卷积C1得到28 ×28×6的 输出； (2)将输出送入池化层P1进行2 ×2的下采样后， 再经过16 ×5×5的滤波器第二次卷积 C2得到10 ×10×16的输出； (3)将本次输出送入与P1相同的P2池化层， 展开得到40 0维的特征向量； (4)完成三次全连接操作， 最终得到10维的输出， 并使用softmax分类得到对应的权 重。 6.如权利要求2所述的基于LeNet5 ‑RF的商用密码算法识别方法， 其特征在于， 步骤五权　利　要　求　书 1/2 页 2 CN 114722932 A 2中， 单个密文bit最小值x为x＝bl ock×1024/8000； 其中Bl ock取8、 16、 32。 7.一种应用如权利 要求1～6任意一项所述的基于LeNet5 ‑RF的商用密码算法识别方法 的基于LeNet5 ‑RF的商用密码算法识别系统， 其特征在于， 所述基于LeNet5 ‑RF的商用密码 算法识别系统包括： 密文预处理模块， 用于将用户提交的待识别密文转化为01串后， 对密文串进行量化和 映射的预处 理， 形成密文映射矩阵； CnPo特征提取模块， 用于将预处理得到的密文映射矩阵进行卷积和池化操作得到最终 的64维CnPo_64、 75维CnPo_75以及19 2维CnPo_19 2密文特征； 随机森林构建模块， 用于构建随机森林RF； 神经网络构建模块， 用于构建LeNet5神经网络； 数据处理模块， 用于对密文矩阵进行正则化处理后， 按照8： 2的比例将数据集划分为训 练集和测试集， 送入LeNet5 ‑RF模型进行训练。 8.一种计算机设备， 其特征在于， 所述计算机设备包括存储器和处理器， 所述存储器存 储有计算机程序， 所述计算机程序被所述处 理器执行时， 使得 所述处理器执行如下步骤： 将用户提交的待识别密文转化为01串后， 对密文串进行量化和映射的预处理， 形成密 文映射矩阵； 将预处理得到的密 文映射矩阵进 行卷积和池化操作得到最 终的64维CnPo_64、 75维CnPo_75以及192维CnPo_192密文特征； 构建随机森林 RF； 构建LeNet 5神经网络； 对密文 矩阵进行正则化处理后， 按照8： 2的比例将数据集划分为训练集和测试集， 送入LeNet5 ‑RF 模型进行训练。 9.一种计算机可读存储介质， 存储有计算机程序， 所述计算机程序被处理器执行时， 使 得所述处理器执行如下步骤： 将用户提交的待识别密文转化为01串后， 对密文串进行量化和映射的预处理， 形成密 文映射矩阵； 将预处理得到的密 文映射矩阵进 行卷积和池化操作得到最 终的64维CnPo_64、 75维CnPo_75以及192维CnPo_192密文特征； 构建随机森林 RF； 构建LeNet 5神经网络； 对密文 矩阵进行正则化处理后， 按照8： 2的比例将数据集划分为训练集和测试集， 送入LeNet5 ‑RF 模型进行训练。 10.一种信息数据处理终端， 其特征在于， 所述信息数据处理终端用于实现如权利要求 7所述的商用密码算法识别系统。权　利　要　求　书 2/2 页 3 CN 114722932 A 3